چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008121 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
تشخیص و شناسایی ترافیک بر اساس شبکههای پیچشی هرمی
عنوان انگليسي
Traffic sign detection and recognition based on pyramidal convolutional networks
نویسنده/ناشر/نام مجله
Neural Computing and Applications
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 11 صفحه انگلیسی به صورت پی دی اف و 21 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
با توسعه فناوری بدون راننده، ما به شدت نیاز به روشی برای درک صحنه‌های ترافیکی داریم. با این حال هنوز شناسایی علائم راهنمایی و رانندگی به دلیل مقیاس کوچک این نشانه‌ها در تصاویر جهان واقعی، وظیفه‌ای دشوار است. در سناریوهای پیچیده برخی علائم راهنمایی و رانندگی به دلیل شرایط آب و هوایی بسیار بد و شرایط نورپردازی می‌تواند بسیار اغفال‌‌کننده باشد. برای پیاده‌سازی یک سیستم تشخیص و شناسایی جامع‌تر ما یک شبکه دو مرحله‌ای را توسعه می‌دهیم. در مرحله پیشنهاد ناحیه، ما یک معماری عرمی ویژگی عمیق را با اتصالات جانبی به کار می‌گیریم که سبب می‌شود ویژگی‌های معنایی شی کوچک حساس‌تر شوند. در مرحله طبقه‌بندی شبکه پیچیشی که به شکل متراکم متصل شده است به منظور تقویت انتقال و تسهیم ویژگی مورد استفاده واقع شده است که این شبکه منجر به طبقه‌بندی دقیق‌تر با تعداد پارامترهای کمتر خواهد شد. ما بر روی بنچمارک تشخیص GTSDB و همچنین بر روی بنچمارک چالش برانگیز k100 Tsinghua-Tencent نیز آزمایش کردیم که برای اکثر شبکههای سنتی بسیار مشکل است. آزمایشات نشان می‌دهند که روش پیشنهادی ما عملکردی بسیار عالی را کسب می‌کند و از سایر جدیدترین روش‌ها نیز بهتر است.
1-مقدمه
شناسایی و تشخیص شییکی از رایج‌ترین وظایف بینایی کامپیوتری است. اخیرا، رویکردهای یادگیری عمیق مانند شبکههای عصبی پیچشی (CNNها) عملکردی عالی را برای بسیاری از وظایف درک تصویر از خود به نمایش گذاشته‌اند. بسیاری از تشخیص‌دهنده‌های کنونی شی را می‌توان به دو دسته تقسیم کرد: تشخیص دهنده یک مرحله‌ای و تشخیص دهنده دو مرحله‌ای. برای تشخیص دهنده یک مرحله‌ای مانند RetinaNet [22]، SSD [23] و YOLov2 [32] از لنگرهایی با اندازه‌های متفاوت به منظور پیش‌بینی داده مرجع کادرهای محصور‌کننده استفاده شده است که معادل با فاز اول fasterRCNN هستند [29]....
نشانه ترافیک تشخیص شی هرم ویژگی
:کلمات کلیدی
Abstract
With the development of driverless technology, we are in dire need of a method to understand traffic scenes. However, it is still a difficult task to detect traffic signs because of the tiny scale of signs in real-world images. In complex scenarios, some traffic signs could be very elusive due to the awful weather and lighting conditions. To implement a more comprehensive detection and recognition system, we develop a two-stage network. At the region proposal stage, we adopt a deep feature pyramid architecture with lateral connections, which makes the semantic feature of small object more sensitive. At the classification stage, densely connected convolutional network is used to strengthen the feature transmission and multiplexed, which leads to more accurate classification with less number of parameters. We test on GTSDB detection benchmark, as well as the challenging Tsinghua-Tencent 100K benchmark which is pretty difficult for most traditional networks. Experiments show that our proposed method achieves a very great performance and surpasses the other state-of-the-art methods. Implementation source code is available athttps://github.com/derderking/Traffic-Sign.
Keywords:
Traffic sign Object detection Feature pyramid
سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه پیش بینی ترافیک